Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
输入现代汉语句子，生成古汉语风格的句子。基于荀子基座大模型，采用“文言文（古文）- 现代文平行语料”中的部分数据进行LoRA微调训练而得。
| Date | Stars |
|---|---|
| 2026-07-31 | 284 |
| 2026-08-06 | 284 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
<p align="left">
中文  ｜  <a href="./README_en.md">English</a>
</p>
# 现代文转古文大模型
## 简介
输入现代汉语句子，生成古汉语风格的句子。基于[荀子基座大模型](https://www.modelscope.cn/models/Xunzillm4cc/Xunzi-Qwen2-1.5B)，采用“[文言文（古文）- 现代文平行语料](https://github.com/NiuTrans/Classical-Modern)”中的部分数据进行LoRA微调训练而得。
欢迎访问以下链接试用：
- https://modelscope.cn/studios/chostem/ancient_Chinese_text_generator
- https://huggingface.co/spaces/cofeg/ancient_Chinese_text_generator_1.5B
模型链接：
- [ModelScope](https://modelscope.cn/models/chostem/finetuned_Xunzi_Qwen2_1d5B_for_ancient_text_generation/)
- [Hugging Face](https://huggingface.co/cofeg/Finetuned-Xunzi-Qwen2-1.5B-for-ancient-text-generation/)
## 完整的LoRA微调工作流
1. 运行 `pip install -r requirements.txt` 安装依赖（pytorch 未列出，需要先通过 `nvcc --version` 命令查看自己电脑的 CUDA 版本，然后到 pytorch 官网安装对应 CUDA 版本的 pytorch）
2. 下载要微调的基座大模型
3. 准备现代文-古文对照数据，放入 data/original 文件夹中
4. 在 `config/config.py` 文件中配置好基座模型路径和名称、数据路径、微调后的模型存放路径和名称、训练使用cuda还是cpu等
5. 运行 `get_data.py`，将原始数据处理为 json 格式并划分训练集、验证集、测试集
6. 在 `finetune.py` 文件中设置好各种训练超参。事先注册 swanlab 账号并拿到 api key，以便训练过程可视化
7. 运行 `finetune.py` 开始微调，会提示输入 swanlab api key。微调过程中每隔 `save_steps` 步会保存当前 checkpoint 到指定文件夹中。若训练因故中断，可设置 `trainer.train(resume_from_checkpoint=True)` 然后重新运行 `finetune.py` ，从最后一个 checkpoint 开始继续训练。
8. 微调完成，可根据 swanlab 网站上的 loss 图表，或自行修改 `evaluation.py` 中的代码在验证集上验证效果，从而挑选出最佳 checkpoint
9. 利用 `merge_and_push_model.py` 将最佳 checkpoint 与基座模型融合后导出为完整的微调模型，有需要的话推送到 hugging face 上（需有 hugging face token）
10. 利用 `evaluation.py` 中的代码在测试集上评估最终微调模型的效果，或运行 demo 文件夹中的 `web_demo_local_inference.py` 利用本地模型进行文本生成检查效果。如果模型已经推送到 hugging face，可以运行 `web_demo_api_inference.py` 利用 hugging face 的 Serverless Inference API 服务进行文本生成。Excerpt of 1,677 characters
Read on GitHubWould you bet a product on this? Bounded 0–100 and slow moving.
matched fp:1d09836b12dd2c1e, llm:Description: '输入现代汉语句子，生成古汉语风格的句子... 基于荀子基座大模型，采用... 平行语料进行LoRA微调训练' (translate: input modern Chinese sentence to generate Classical Chinese; based on a base LLM; LoRA fine-tuning on parallel corpus).
matched fp:1d09836b12dd2c1e, llm:Description: '输入现代汉语句子，生成古汉语风格的句子... 基于荀子基座大模型，采用... 平行语料进行LoRA微调训练' (translate: input modern Chinese sentence to generate Classical Chinese; based on a base LLM; LoRA fine-tuning on parallel corpus).
matched fp:1d09836b12dd2c1e, llm:Description: '输入现代汉语句子，生成古汉语风格的句子... 基于荀子基座大模型，采用... 平行语料进行LoRA微调训练' (translate: input modern Chinese sentence to generate Classical Chinese; based on a base LLM; LoRA fine-tuning on parallel corpus).